CN106598029A - 基于性能退化的列控车载设备可靠性预测方法 - Google Patents

Abstract

本发明提供了一种基于性能退化的列控车载设备可靠性预测方法。该方法包括：运用ARMA及改进后的EMD+ARMA对列控车载设备当前及早期的各故障类型数据进行性能退化过程建模，预测出未来时刻列控车载设备的各故障类型的故障率；采用逐步回归分析方法对各故障类型的故障率预测值进行性能退化过程建模，预测未来时刻整个列控车载设备的故障率，计算出未来时刻列控车载设备的可靠度预测值；利用FMECA算法计算出未来时刻列控车载设备的各故障类型的故障严重度，根据可靠度预测值和故障严重度对列控车载设备在未来时刻的可靠性进行评估。本发明解决了列控较为复杂且最易出现故障的车载设备可靠性预测不及时及响应不合理的问题，可以有效减少列车故障的发生。

Description

基于性能退化的列控车载设备可靠性预测方法

技术领域

本发明涉及列控系统技术领域，尤其涉及一种基于性能退化的列控车载设备可靠性预测方法。

背景技术

列控系统是列车运行控制系统的简称，它是铁路运输的核心部分，对列控系统进行可靠性的实时评估与预测是及时发现、确认这些潜在风险因素，并适时合理地完成响应处理是提高列控系统安全和运行效率的有效措施，因此，列控系统可靠性评估策略的研究对于高速铁路运输具有重要意义。由于高速铁路发展迅速，其安全、稳定、高效运营成为国家重大需求。对列控系统而言，列车在长时间的运行过程中，由于元器件磨损或环境变化等，使得设备性能退化，可靠性降低，进而影响列车正常运行。为此，列控系统未来时刻的可靠性若不能被实时评估及预测并且进行有效处理，都有可能引发连锁反应进而造成行车事故，甚至导致影响巨大的灾难性后果。

目前，国内外在可靠性评估方面形成了一定的研究基础，但在列控领域的应用较少，且集中于单个设备性能的非实时评估，列控设备实时可靠性预测的研究尚处于起步阶段，仍然存在需要完善的地方。而在列控系统可靠性研究领域，现在的研究方法大多假设系统中只有单个设备性能退化或是发生故障。而在实际系统中，可能存在多个设备性能退化或失效的情况，且设备间的相互关系使得故障的发生具有关联性。某个部件发生故障可能是由其它部件引起的，并不是自身寿命已尽的原因。

鉴于上述原因，传统的单纯从某个性能特征量出发进行部件寿命分析的思路来预测列控设备的可靠性是不准确的。

发明内容

本发明的实施例提供了一种基于性能退化的列控车载设备可靠性预测方法，以实现有效地对列控车载设备的可靠性进行预测。

为了实现上述目的，本发明采取了如下技术方案。

一种基于性能退化的列控车载设备可靠性预测方法，包括：

运用ARMA及改进后的EMD+ARMA对列控车载设备当前及早期的各故障类型数据进行性能退化过程建模，预测出未来时刻列控车载设备的各故障类型的故障率；

采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测未来时刻列控车载设备的故障率，计算出未来时刻列控车载设备的可靠度预测值；

根据未来时刻列控车载设备的各故障类型的故障率预测值，利用FMECA算法计算出未来时刻列控车载设备的各故障类型的故障严重度，根据所述可靠度预测值和所述故障严重度对列控车载设备在未来时刻的可靠性进行评估。

进一步地，所述的运用ARMA及改进后的EMD+ARMA对列控车载设备当前及早期的各故障类型数据进行性能退化过程建模，预测出未来时刻列控车载设备的各故障类型的故障率，包括：

通过对当前及早期的故障数据的建模得出列控系统各故障类型的故障率，将所述列控系统各故障类型的故障率输入到时间序列分析法中ARMA模型，所述ARMA模型对输入的各故障类型的故障率进行性能退化建模，预测下一个时刻各故障类型的故障率；

建立基于经验模态分解EMD的时间序列预测方法即EMD+ARMA预测方法，EMD分解法将时间序列分解成内在本征模态函数IMF和趋势项，并对每条子序列进行时间序列预测，然后将每条子序列的预测序列进行重组，得到的最终预测序列即为下一个时刻各故障类型的故障率，该故障率是指列控系统某部件或设备在单位时间内故障发生的次数，所述IMF是没有明显趋势的序列，以满足时间序列的要求，该趋势项反映原始序列的总体趋势。

进一步地，所述的ARMA模型对输入的各故障类型的故障率进行性能退化建模，预测下一个时刻各故障类型的故障率，包括：

(1)确定预测量：{某部件或设备在一定时间内故障发生总次数M，持续运行时间t，模型独立参数的个数n，样本数据的数目N，准则函数AIC，方差的极大似然估计样本序列x(n)，样本序列的均值预测下一个时间节点的故障率y(t)}；

(2)确定当前及早期列控车载设备的各故障类型的故障率λ＝M/t；

(3)建立所述列控车载设备的各故障类型故障率的时间序列，判断该时间序列是否为平稳时间序列，若为非平稳时间序列，对该非平稳时间序列进行去趋势化处理，使其满足ARMA建模的条件，判断时间序列是否为平稳时间序列的标准为：随着时间延长，时间序列的自相关系数以大于设定速度阈值的速度衰减为零，则判断时间序列为平稳时间序列；反之，则判断时间序列为非平稳时间序列；

(4)确定ARMA模型的阶数即确定p和q的值，按照公式计算出使AIC值最小的n值，n＝q+p,完成ARMA模型的定阶，其中p和q是A(z)＝1+a₁z^-1+a₂z^-2+a₃z^-3+.....+a_pz^-p和C(z)＝1+b₁z^-1+b₂z^-2+b₃z^-3+....+b_qz^-q中的阶数；

(5)根据ARMA模型，根据按照公式A(z)y(t)＝C(z)e(t)预测出下一时刻各类故障的故障率y(t)。

进一步地，所述的建立基于经验模态分解EMD的时间序列预测方法即EMD+ARMA预测方法，EMD分解法将时间序列分解成内在本征模态函数IMF和趋势项，并对每条子序列进行时间序列预测，然后将每条子序列的预测序列进行重组，得到的最终预测序列即为下一个时刻各故障类型的故障率，包括：

原始的各种故障类型的故障率序列经过EMD分解，按不同的特征分成了一系列故障率子序列，接下来对每条故障率子序列进行预测，故障率子序列中的IMF分量不具备明显的趋势性，直接运用ARMA预测IMF分量；而故障率子序列中的原始故障序列的分解得到的趋势项，反映了序列的整体走向，具有趋势性，对趋势项先进行去趋势化处理，再运用ARMA进行预测，待每条故障率子序列预测结束后，各故障类型的故障率序列经过EMD处理后，会被分解成一系列分量，运用重构的思想将各分量进行重组，得到下一个时刻每种故障类型的故障率的预测值。

进一步地，所述的采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测未来时刻列控车载设备的故障率，计算出未来时刻列控车载设备的可靠度预测值，包括：

采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测下一个时刻列控车载设备的故障率，所述逐步回归分析方法是指选取包含一些自变量的初始数据集，而后从初始数据集外增加一个与因变量相关性最大的自变量，再与数据集中的所有自变量一起进行检验，从相对不显著的变量中移除一个相关性最小的，逐次进行，直到无法增加和移除变量时结束，根据回归模型公式n＝1,2,3….，判断相关系数R：若0.8≤|R|≤1，则认为回归变量间线性相关性较强；结合F检验法：当F＞F_1-a(k,n-k-1)时，因变量与自变量间的线性相关关系较为显著，来确定系数a和b_k最佳值；

结合预测出的故障率数据根据可靠度公式计算出未来时刻列控车载设备可靠度的预测值，所述可靠度是指指列车在运行过程中各部件能正常工作并完成其特定功能的能力，可靠度的计算公式为：其中，故障率的定义为单位时间内故障发生的次数，公式为：λ＝N/t，其中，N为某部件或设备在一定时间内故障发生总次数，t为持续运行时间。

进一步地，所述的采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测未来时刻列控车载设备的故障率，包括：

根据回归模型公式，将未来时刻列控车载设备的各故障类型的故障率预测值作为样本信息，建立回归方程，求出回归方程的回归系数，进行验证，再进行模型优化，逐步回归，得到最优的回归方程，并对回归方程和回归系数进行检验，若检验结果能反映自变量与因变量的关系，则将样本信息带入得出的回归模型，得出整个列控车载设备的故障率预测值。

进一步地，所述的利用FMECA算法计算出未来时刻列控车载设备的各故障类型的故障严重度，包括：

(1)确定计算变量：{η_i,j是部件i以类型j发生故障而导致车载设备发生故障的故障模式概率，n_j是部件i以类型j发生故障的次数，n_i是部件i所有故障类型的出现次数；是部件i以类型j发生故障导致此部件损伤的概率，C_i,j是部件i以类型j发生故障导致车载设备发生故障的严重度}；

(2)对部件故障模式进行分类；

(3)对故障现象、故障原因、故障影响进行分类统计；

(4)分析部件本身的重要度；

(5)根据未来时刻列控车载设备的各故障类型的故障率，得出故障本身的危害度；

(6)根据FMECA算法，按照公式计算出列控系统发生的各故障类型的严重度，结合严重度对列控车载设备的可靠性等级进行评估。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出了一种基于性能退化的列控车载设备可靠性评预测体系框架，通过对列控车载设备各故障类型历史数据进行ARMA及改进后的EMD+ARMA建模，预测未来时刻列控车载设备各故障类型的故障率；对列控车载设备各故障类型的故障率预测值进行回归分析建模，预测未来时刻整个列控车载设备的故障率，确定未来时刻列控车载设备可靠度的预测值；根据未来时刻列控车载设备的各故障类型的故障率，运用FMECA预测各故障类型的严重度，结合未来时刻列控车载设备可靠度，对车载设备可靠性进行评估。本发明实例提出了一种基于性能退化的列控车载设备可靠性预测体系框架，解决了列控较为复杂且最易出现故障的车载设备可靠性预测不及时及响应不合理的问题，可以有效减少列车故障的发生。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于性能退化的列控车载设备可靠性预测体系框架示意图；

图2为本发明实施例提供的一种列控车载设备的ARMA预测建模流程；

图3为本发明实施例提供的一种列控车载设备的EMD+ARMA预测建模流程；

图4为本发明实施例提供的一种列控车载设备的回归分析建模流程；

图5为本发明实施例提供的一种列控车载设备的基于FMECA的可靠性分析流程；

图6为本发明实施例提供的一种基于性能退化的列控车载设备可靠性预测整体程序框图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例从直接分析故障数据的角度出发，研究故障数据随运行时间的演变过程，进而根据预测出的规律，对下一段时间的列控车载设备的可靠性进行评估。

实施例一

传统的可靠性研究方法大多假设系统中只有单个设备性能退化或是发生故障。而在实际系统中，可能存在多个设备性能退化或失效的情况，且设备间的相互关系使得故障的发生具有关联性。某个部件发生故障可能是由其它部件引起的，并不是自身寿命已尽的原因。鉴于上述原因，单纯从某个性能特征量出发进行部件寿命分析的思路来预测列控设备的可靠性是不太具有实际意义的。

本发明实施例建立了一种基于性能退化的列控车载设备可靠性预测体系框架的结构示意图如图1所示，该框架包含基于性能退化的列控车载设备故障率预测和列控车载设备可靠性评估两部分，其中列控车载设备可靠性预测运用ARMA(Auto-Regressive andMoving Average Model，自回归滑动平均模型)的预测实现、EMD(Empirical ModeDecomposition，经验模态分解)+ARMA的预测实现及回归分析法的预测实现，列控车载设备可靠性评估运用基于FMECA(Failure Mode Effects and Criticality Analysis，故障模式、影响及危害性分析)的可靠性分析。下面详细介绍各个单元的功能：

所述的ARMA的预测实现，通过对当前及早期的故障数据的建模得出列控系统各故障类型的故障率，采用时间序列分析法中ARMA模型对输入的各故障类型的故障率处理，预测未来时刻各故障类型的故障率。上述的ARMA模型的计算方法包括：计算当前及早期各故障类型的故障率、判断该序列是否为平稳非白噪声序列、对非平稳序列进行去趋势化处理、确定模型阶数，计算公式为：预测出下一时刻各类故障的故障率，计算公式为A(z)y(t)＝C(z)e(t)。

所述的EMD+ARMA的预测实现，用于对原始的各种故障类型的故障率序列进行EMD分解，按不同的特征分成了一系列故障率子序列，接下来对每条故障率子序列进行预测，其中IMF分量不具备明显的趋势性，可以直接运用ARMA进行预测。而每条原始故障序列的分解得到的趋势项，反映了序列的整体走向，一般是具有趋势性的，所以对趋势项先要进行去趋势化处理，然后再运用ARMA进行预测，待每条故障率子序列预测结束后，各故障类型的故障率序列经过EMD处理后，会被分解成一系列较为平稳的分量，但每个分量并不能单独描述原始序列的特征，需要将每个分量的特性进行综合才能较为准确地描述原始序列。于是，运用重构的思想将各分量进行重组，使序列特征信息得到较为全面的描述，最终重构得到每种故障类型的故障率的预测值，经过预测效果验证对比EMD+ARMA的预测值比ARMA的预测值更准确。

所述的回归分析的预测实现，用于通过对未来时刻列控车载设备各故障类型的故障率预测值建模，采用回归分析法中的逐步回归对输入的各故障类型的故障率处理，将未来时刻列控车载设备各故障类型的故障率预测值作为样本信息代入回归公式中，求出方程的回归系数，再进行模型优化，逐步回归，得到最优回归方程，并对回归方程和回归系数进行检验，若结果能反映自变量与因变量的关系，则可利用得出的回归模型对列控车载设备的整体故障率进行预测预测下一个时刻整个列控系统的故障率，结合预测出的故障率数据，根据可靠度公式，计算出未来时刻列控系统可靠度的预测值。

所述的基于FMECA的可靠性分析，用于通过对未来时刻列控车载设备的各故障类型的故障率建模，采用FMECA分析得出列控车载设备发生的各故障类型的严重度，结合未来时刻列控车载设备可靠度的预测值，对列控车载设备的可靠性状况进行评估。上述FMECA分析包括：对部件故障模式分类、对故障现象、故障原因、故障影响分类统计、分析部件本身的重要度、根据未来时刻列控车载设备的各故障类型故障率，得出故障本身的危害度、计算出列控车载设备发生的各故障类型的严重度C_i，j，计算公式为：

实施例二

图2为本发明实施例提供的一种列控车载设备的ARMA预测建模流程，下面结合图2对列控车载设备的ARMA预测建模过程及预测效果验证进行说明。

本发明采用时间序列分析法中ARMA模型建立列控子系统的各故障故障率预测模型，通过对当前及早期的故障数据的计算得出列控系统各故障类型的故障率，根据ARMA模型对输入的各故障类型的故障率处理，预测下一个时刻各故障类型的故障率。具体步骤如下：

(1)确定预测量：{某部件或设备在一定时间内故障发生总次数M，持续运行时间t，模型独立参数的个数n，样本数据的数目N，准则函数AIC，方差的极大似然估计样本序列x(n)，样本序列的均值预测下一个时间节点的故障率y(t)}；

(2)确定当前及早期各故障类型的故障率λ＝M/t；

(3)建立列控车载设备的各故障类型故障率的时间序列，判断该时间序列是否为平稳时间序列，若为非平稳时间序列，对该非平稳时间序列进行去趋势化处理，使其满足ARMA建模的条件，判断时间序列是否为平稳时间序列的标准为：随着时间延长，时间序列的自相关系数以大于设定速度阈值的速度衰减为零，则判断时间序列为平稳时间序列；反之，则判断时间序列为非平稳时间序列；

(4)确定ARMA模型的阶数即确定p和q的值，按照公式计算出使AIC值最小的n值，n＝q+p,完成ARMA模型的定阶，其中p和q是A(z)＝1+a₁z^-1+a₂z^-2+a₃z^-3+.....+a_pz^-p和C(z)＝1+b₁z^-1+b₂z^-2+b₃z^-3+....+b_qz^-q中的阶数；

(5)根据ARMA模型，根据按照公式A(z)y(t)＝C(z)e(t)预测出下一时刻各类故障的故障率y(t)；

时间序列分析预测模型仿真表明原始数据并不是平稳时间序列，进行去趋势化处理之后，时序图中数据不具有明显的上升下降趋势，且在某一值上下波动，而且自相关图中自相关系数能迅速降为0，说明处理后时间序列平稳，时间序列预测的故障率与真实值拟合程度较好，因此，运用时间序列进行故障率预测较为有效。

实施例三

图3为本发明实施例提供的一种列控车载设备的EMD+ARMA预测建模流程，下面结合图3对列控车载设备的EMD+ARMA预测建模过程及预测效果验证进行说明。

本发明采用基于EMD的ARMA故障率预测，通过对各种故障类型的故障率序列用EMD进行分解，得到IMF子序列和趋势项，然后用ARMA分析法对各子序列进行故障率预测，而后对预测得到的故障率序列进行重构，最终便可得到各种故障类型的故障率预测序列，具体描述如下：

对原始的各种故障类型的故障率序列进行经验模态分解，按不同的特征分成了一系列子序列即IMF1～IMFn和趋势项，接下来对每条子序列进行预测，其中IMF分量不具备明显的趋势性，可以直接运用ARMA进行预测。而每条原始故障序列的分解得到的趋势项，反映了序列的整体走向，一般是具有趋势性的，所以对趋势项先要进行去趋势化处理，然后再运用ARMA进行预测，待每条故障率子序列预测结束后，鉴于各故障类型的故障率序列经过EMD处理后，会被分解成一系列较为平稳的分量，但每个分量并不能单独描述原始序列的特征，需要将每个子序列的特性进行综合才能较为准确地描述原始序列。于是，运用重构的思想将各分量进行重组，使序列特征信息得到较为全面的描述，最终重构得到每种故障类型的故障率的预测值，

经过预测算法的预测效果验，证运用ARMA预测的故障率与真实值总体拟合程度较好，而EMD+ARMA预测的预测效果明显好于时间序列法。因此，运用改进的时间序列法进行车载设备的故障率预测较为有效。

实施例四

图4为本发明实施例提供的列控车载设备的回归分析建模流程，下面结合图4对列控车载设备的回归建模过程及预测效果验证进行详细说明。

本发明采用逐步回归分析法建立列控车载设备的故障率预测模型，通过对未来时刻列控车载设备各故障类型的故障率预测值分析，根据逐步回归模型对输入的各故障类型的故障率处理，预测下一个时刻整个列控车载设备的故障率，结合预测出的故障率数据，根据可靠度公式：其中，故障率的定义为单位时间内故障发生的次数，公式为：λ＝N/t，其中，N为某部件或设备在一定时间内故障发生总次数，t为持续运行时间，计算出未来时刻列控车载设备可靠度的预测值。具体描述如下：

根据回归模型公式，将未来时刻列控车载设备各故障类型的故障率预测值作为样本信息，建立回归方程，求出方程的回归系数，进行验证，再进行模型优化，逐步回归，得到最优回归方程，并对回归方程和回归系数进行检验，若结果能反映自变量与因变量的关系，则可将样本信息带入得出的回归模型，得出整个列控车载设备的故障率预测值，结合预测的故障数据，由可靠度公式求出列控车载设备的可靠度。

列控车载设备的回归模型仿真结果显示逐步回归，不断添加、移除变量，反复与相关性标准进行比较，得到最合适的模型，回归分析法对车载设备的故障率进行预测效果较好。而且，车载设备的故障率呈整体上升的趋势，说明性能退化的现象是存在的。

实施例五

图5为本发明实施例提供的列控车载设备的基于FMECA算法的可靠性分析流程，下面结合图5对列控车载设备的基于FMECA算法的可靠性分析过程及仿真结果进行详细说明。

本发明采用FMECA算法进行列控车载设备的可靠性分析，通过对未来时刻列控车载设备的各故障类型的故障率分析，根据FMECA算法分析得出列控车载设备发生的各故障类型的严重度，结合未来时刻列控车载设备可靠度的预测值，对列控车载设备的可靠性状况进行评估。具体步骤如下：

(1)确定计算变量：{η_i,j是部件i以类型j发生故障而导致车载设备发生故障的故障模式概率，n_j是部件i以类型j发生故障的次数；n_i是部件i所有故障类型的出现次数；是部件i以类型j发生故障导致此部件损伤的概率，C_i,j是部件i以类型j发生故障导致车载设备发生故障的严重度}；

(2)对部件故障模式分类；

(3)对故障现象、故障原因、故障影响分类统计；

(4)分析部件本身的重要度；

(5)根据未来时刻列控系统的各故障类型故障率，得出故障本身的危害度；

(6)根据FMECA算法，按照公式计算出列控系统发生的各故障类型的严重度，结合严重度对列控车载设备的可靠性等级进行评估。

实施例六

图6为本发明实施例提供的基于性能退化的列控车载设备可靠性预测整体程序框图，下面结合图6对基于性能退化的列控车载设备可靠性预测整体程序框图进行详细说明。

本发明首先对故障数据进行分析，运用改进的时间序列分析法及回归分析法对性能退化过程建模，然后对列控系统车载设备的各故障类型的故障率及车载设备的可靠性进行了预测，并与真实故障数据进行了比较验证，最后用FMECA对预测出的故障的严重度进行计算，并结合可靠度对车载设备在未来时刻的可靠性等级进行了评估，具体描述如下：

根据列控车载设备的各故障类型历史数据，首先确定要计算预测量，计算当前及早期各故障类型的故障率，对各种故障类型的故障率序列进行EMD分解，按不同的特征分成了一系列故障率子序列，接下来对每条故障率子序列进行预测，其中IMF分量不具备明显的趋势性，可以直接运用ARMA进行预测，判断该序列是否为平稳时间序列(即平稳非白噪声序列)，若为非平稳时间序列，对该时间序列进行去趋势化处理，使其满足ARMA建模的条件，否则直接进行模型识别及定阶，确定模型参数估计及模型，根据ARMA模型，预测未来时刻各故障类型的故障率子序列。而每条原始故障序列的分解得到的趋势项，反映了序列的整体走向，一般是具有趋势性的，所以对趋势项先要进行去趋势化处理，然后再运用ARMA进行预测，待每条故障率子序列预测结束后，运用重构的思想将各分量进行重组，使序列特征信息得到较为全面的描述，最终重构得到每种故障类型的故障率的预测值，将未来时刻列控车载设备各故障类型的故障率预测值作为样本信息，进行逐步回归分析的预测实现，建立回归方程，求出方程的回归系数，进行验证，再进行模型优化，逐步回归，得到最优回归方程，并对回归方程和回归系数进行检验，若结果能反映自变量与因变量的关系，则可将样本信息带入得出的回归模型，得出整个列控车载设备的故障率预测值，结合预测的故障数据，由可靠度公式求出列控车载设备的可靠度，进行基于FNECA的列控车载设备可靠性分析，对列控车载设备各故障模式分类，对故障现象、故障原因、故障影响分类统计，分析部件本身的重要度，根据未来时刻列控系统的各故障类型故障率，得出故障本身的危害度，根据FMECA算法计算出列控系统发生的各故障类型的严重度，结合可靠度和严重度综合评估列控车载设备的可靠性等级，即通过对比的各个车载设备故障对车载设备影响的严重度，找出严重度最大的车载设备故障，再结合预测出的故障率来判断可靠性等级，等级可分为：高、偏高、中、偏低、低。

综上所述，本发明实施例提出了一种基于性能退化的列控车载设备可靠性评预测体系框架，通过对列控车载设备各故障类型历史数据进行ARMA及EMD+ARMA建模，预测未来时刻列控车载设备各故障类型的故障率；对列控车载设备各故障类型的故障率预测值进行回归分析建模，预测未来时刻整个列控车载设备的故障率，确定未来时刻列控车载设备可靠度的预测值；根据未来时刻列控车载设备的各故障类型的故障率，运用FMECA预测各故障类型的严重度，结合未来时刻列控车载设备可靠度，对车载设备可靠性进行评估。本发明实例提出了一种基于性能退化的列控车载设备可靠性预测体系框架，解决了列控较为复杂且最易出现故障的车载设备可靠性预测不及时及响应不合理的问题，可以有效减少列车故障的发生。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于性能退化的列控车载设备可靠性预测方法，其特征在于，包括：

运用ARMA及改进后的EMD+ARMA对列控车载设备当前及早期的各故障类型数据进行性能退化过程建模，预测出未来时刻列控车载设备的各故障类型的故障率；

采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测未来时刻列控车载设备的故障率，计算出未来时刻列控车载设备的可靠度预测值；

根据未来时刻列控车载设备的各故障类型的故障率预测值，利用FMECA算法计算出未来时刻列控车载设备的各故障类型的故障严重度，根据所述可靠度预测值和所述故障严重度对列控车载设备在未来时刻的可靠性进行评估。

2.根据权利要求1所述的方法，其特征在于，所述的运用ARMA及改进后的EMD+ARMA对列控车载设备当前及早期的各故障类型数据进行性能退化过程建模，预测出未来时刻列控车载设备的各故障类型的故障率，包括：

通过对当前及早期的故障数据的建模得出列控系统各故障类型的故障率，将所述列控系统各故障类型的故障率输入到时间序列分析法中ARMA模型，所述ARMA模型对输入的各故障类型的故障率进行性能退化建模，预测下一个时刻各故障类型的故障率；

建立基于经验模态分解EMD的时间序列预测方法即EMD+ARMA预测方法，EMD分解法将时间序列分解成内在本征模态函数IMF和趋势项，并对每条子序列进行时间序列预测，然后将每条子序列的预测序列进行重组，得到的最终预测序列即为下一个时刻各故障类型的故障率，该故障率是指列控系统某部件或设备在单位时间内故障发生的次数，所述IMF是没有明显趋势的序列，以满足时间序列的要求，该趋势项反映原始序列的总体趋势。

3.根据权利要求2所述的基于性能退化的列控系统可靠性预测方法，其特征在于，所述的ARMA模型对输入的各故障类型的故障率进行性能退化建模，预测下一个时刻各故障类型的故障率，包括：

(1)确定预测量：{某部件或设备在一定时间内故障发生总次数M，持续运行时间t，模型独立参数的个数n，样本数据的数目N，准则函数AIC，方差的极大似然估计样本序列x(n)，样本序列的均值预测下一个时间节点的故障率y(t)}；

(2)确定当前及早期列控车载设备的各故障类型的故障率λ＝M/t；

(3)建立所述列控车载设备的各故障类型故障率的时间序列，判断该时间序列是否为平稳时间序列，若为非平稳时间序列，对该非平稳时间序列进行去趋势化处理，使其满足ARMA建模的条件，判断时间序列是否为平稳时间序列的标准为：随着时间延长，时间序列的自相关系数以大于设定速度阈值的速度衰减为零，则判断时间序列为平稳时间序列；反之，则判断时间序列为非平稳时间序列；

(4)确定ARMA模型的阶数即确定p和q的值，按照公式计算出使AIC值最小的n值，n＝q+p，完成ARMA模型的定阶，其中p和q是A(z)＝1+a₁z^-1+a₂z^-2+a₃z^-3+.....+a_pz^-p和C(z)＝1+b₁z^-1+b₂z^-2+b₃z^-3+....+b_qz^-q中的阶数；

(5)根据ARMA模型，根据按照公式A(z)y(t)＝C(z)e(t)预测出下一时刻各类故障的故障率y(t)。

4.根据权利要求3所述的基于性能退化的列控系统可靠性预测方法，其特征在于，所述的建立基于经验模态分解EMD的时间序列预测方法即EMD+ARMA预测方法，EMD分解法将时间序列分解成内在本征模态函数IMF和趋势项，并对每条子序列进行时间序列预测，然后将每条子序列的预测序列进行重组，得到的最终预测序列即为下一个时刻各故障类型的故障率，包括：

原始的各种故障类型的故障率序列经过EMD分解，按不同的特征分成了一系列故障率子序列，接下来对每条故障率子序列进行预测，故障率子序列中的IMF分量不具备明显的趋势性，直接运用ARMA预测IMF分量；而故障率子序列中的原始故障序列的分解得到的趋势项，反映了序列的整体走向，具有趋势性，对趋势项先进行去趋势化处理，再运用ARMA进行预测，待每条故障率子序列预测结束后，各故障类型的故障率序列经过EMD处理后，会被分解成一系列分量，运用重构的思想将各分量进行重组，得到下一个时刻每种故障类型的故障率的预测值。

5.根据权利要求4所述的基于性能退化的列控系统可靠性评估方法，其特征在于，所述的采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测未来时刻列控车载设备的故障率，计算出未来时刻列控车载设备的可靠度预测值，包括：

采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测下一个时刻列控车载设备的故障率，所述逐步回归分析方法是指选取包含一些自变量的初始数据集，而后从初始数据集外增加一个与因变量相关性最大的自变量，再与数据集中的所有自变量一起进行检验，从相对不显著的变量中移除一个相关性最小的，逐次进行，直到无法增加和移除变量时结束，根据回归模型公式n＝1,2,3….，判断相关系数R：若0.8≤|R|≤1，则认为回归变量间线性相关性较强；结合F检验法：当F＞F_1-a(k,n-k-1)时，因变量与自变量间的线性相关关系较为显著，来确定系数a和b_k最佳值；

结合预测出的故障率数据根据可靠度公式计算出未来时刻列控车载设备可靠度的预测值，所述可靠度是指指列车在运行过程中各部件能正常工作并完成其特定功能的能力，可靠度的计算公式为：其中，故障率的定义为单位时间内故障发生的次数，公式为：λ＝N/t，其中，N为某部件或设备在一定时间内故障发生总次数，t为持续运行时间。

6.根据权利要求5所述的基于性能退化的列控车载设备可靠性预测方法，其特征在于，所述的采用逐步回归分析方法对所述未来时刻列控车载设备的各故障类型的故障率预测值进行性能退化过程建模，预测未来时刻列控车载设备的故障率，包括：

根据回归模型公式，将未来时刻列控车载设备的各故障类型的故障率预测值作为样本信息，建立回归方程，求出回归方程的回归系数，进行验证，再进行模型优化，逐步回归，得到最优的回归方程，并对回归方程和回归系数进行检验，若检验结果能反映自变量与因变量的关系，则将样本信息带入得出的回归模型，得出整个列控车载设备的故障率预测值。

7.根据权利要求6所述的基于性能退化的列控车载设备可靠性预测方法，其特征在于，所述的利用FMECA算法计算出未来时刻列控车载设备的各故障类型的故障严重度，包括：

(1)确定计算变量：{η_i,j是部件i以类型j发生故障而导致车载设备发生故障的故障模式概率，n_j是部件i以类型j发生故障的次数，n_i是部件i所有故障类型的出现次数；是部件i以类型j发生故障导致此部件损伤的概率，C_i,j是部件i以类型j发生故障导致车载设备发生故障的严重度}；

(2)对部件故障模式进行分类；

(3)对故障现象、故障原因、故障影响进行分类统计；

(4)分析部件本身的重要度；

(5)根据未来时刻列控车载设备的各故障类型的故障率，得出故障本身的危害度；

(6)根据FMECA算法，按照公式计算出列控系统发生的各故障类型的严重度，结合严重度对列控车载设备的可靠性等级进行评估。